智能灌溉系统在农业中的应用与挑战：物联网、人工智能与可持续发展综述

本综述系统阐述了智能灌溉系统在应对全球水资源短缺和推动农业可持续发展中的关键作用。文章深入探讨了物联网（IoT）、无线传感器网络（WSN）、人工智能（AI）及机器学习（ML）等核心技术如何通过实时数据驱动决策，显著提升灌溉效率（Water Use Efficiency, WUE）与作物生产力，并分析了其在实际应用中的技术壁垒与发展前景。

　　

Highlight

智能灌溉系统通过整合实时环境数据——如土壤湿度、温度与湿度——以优化用水，实现精准灌溉。通过融合传感器、气象工具与自动控制器，这类系统显著提升水分利用效率（WUE），其方式是精准靶向作物根区，并最大限度减少蒸发与径流（Pandey & Mukherjee, 2022）。机器学习与数据分析进一步赋能预测性灌溉，推动作物可持续生长。尤其在缺水地区，智能灌溉能有效降低劳动力与能源成本，并增强农业对气候变化的适应力（参见表1与表2）。

Introduction

农业仍是全球经济的基石，对粮食安全与农村生计至关重要。随着全球人口预计在2050年逼近100亿，粮食生产需在当前基础上提升50%，这对水资源管理提出更高要求。传统灌溉方式效率低下，导致大量水资源浪费与作物胁迫，因此亟需智能技术以实现水资源节约与农业增效。尽管物联网（IoT）、传感器与人工智能（AI）已在多个行业引发变革，农业领域的数字化仍相对滞后。本文旨在系统回顾智能灌溉系统的架构、关键技术、通信协议及其在提升作物产量、水分利用效率与气候韧性方面的作用，并重点讨论人工智能（AI）与机器学习（ML）在灌溉调度中的应用、精度与局限。

Smart irrigation and weather monitoring: An integrated approach

智能灌溉与气象监测相结合，通过环境数据与自动灌溉机制的融合，创新性地提升了农业用水效率。水分管理 fundamentally 依赖于对气候模式的理解与适应，因气候深刻影响土壤湿度与作物需水。先进的气象监测工具——如传感器与气象站——可提供温度、湿度、降水与风速等关键变量的实时信息，为灌溉决策提供依据。通过将气象监测融入智能灌溉系统，农户能依据当前与预测天气调整灌溉计划，例如在降雨来临前暂停灌溉，既省水又避免过度灌溉造成的作物损害。无线传感器网络（WSN）与物联网（IoT）是实现这一整合的核心技术。IoT赋能系统通过云平台收集并分析气象、土壤湿度与作物健康数据，生成可操作的洞察，帮助农户减少用水、适应天气变化并优化灌溉实践。

Monitoring in smart irrigation systems

为提升水分利用效率（WUE）并保障作物最佳生长，监测土壤湿度、植物健康与气候变量等关键参数至关重要。现代智能灌溉系统整合了物联网（IoT）、人工智能（AI）、无线传感器网络（WSN）、云计算与边缘计算等先进技术，以采集并分析农田实时数据。这些系统通过精准监测土壤与环境因子，实现 informed 决策，提升灌溉效率与生产力。IoT监测系统使用传感器测量土壤湿度、温度与湿度等变量，WSN则负责田间高效数据传输。边缘计算使数据在传至云前即可在田间处理，实现实时决策，减少水、肥与农药使用，同时提高作物产量与品质。

Irrigation water management in smart irrigation systems

灌溉水分管理在智能灌溉系统的效率与效能中扮演关键角色。随着食物消费模式演变，作物生产需求不断增加，使得高效水分管理成为可持续农业的基石。作物产量易受水分短缺与过剩的负面影响，因此精准灌溉技术至关重要。智能灌溉系统利用土壤湿度传感器、自动控制器与实时监测工具，确保水分按作物需求精准施放。在干旱或降雨不均地区，精准水分管理可缓解缺水不利影响，保障作物稳产。为实现智能灌溉与有效水分管理，理解土壤-作物-水分关系至关重要，这为灌溉技术的开发与应用提供依据，支持更优决策与用水优化。

Internet of Things (IoT) and Wireless Sensor Networks (WSNs)

物联网（IoT）范式彻底改变了数字技术，以前所未有的成本效益数据存储能力，颠覆了计算、电子、移动技术、人工智能（AI）、云计算与软件即服务（SaaS）数十年的发展进程。IoT系统依赖分布式传感、处理与通信工具，通过无缝交互监测与管理物理过程。利用成熟互联网协议，IoT设备提供鲁棒高效的智能服务，实现数据采集、分析与通信，并直接交互物理世界。无线传感器网络（WSNs）是IoT的基础组成部分，由多个传感器节点组成，部署于传感区域以采集数据并通过网关传输至互联网。在农业领域，WSN解决方案被设计为用户友好、易于维护与升级，确保其适应不断变化的农业需求。

Communication technologies in IoT-based smart irrigation systems

Wi-Fi因其潜在可及性成为最流行且高效的通信技术之一。多数低成本IoT设备支持Wi-Fi，尽管其在覆盖范围与可达性上存在局限，仍被视为通用解决方案。全球移动通信系统（GSM）是另一广泛使用的无线技术，提供长距离连接，但需依赖当地服务商的移动套餐。新兴技术如远距离通信（LoRa）与消息队列遥测传输（MQTT）也值得关注。LoRa因超长距离覆盖在无服务偏远地区极具潜力；MQTT则因低开销与低功耗被广泛采用，但在灌溉系统中应用尚不广泛。蓝牙低功耗（BLE）与Zigbee也是灌溉中常见的无线通信技术。

Data storage systems in smart irrigation

云与传统数据库是最重要且广泛使用的存储系统。它们使关键信息的存储与按需检索成为可能，对各行各业至关重要。此类存储系统助推了“大数据”概念的出现，即企业用于多种目标的海量数据集。在农业尤其是灌溉系统中，云计算用于传感器数据的采集与处理。数据在云内处理，用户可通过连接云平台访问数据。云计算在灌溉中的主要应用是存储监测数据并按需检索，也用于通过算法生成警报，帮助调整工作计划并采取安全措施以降低风险。

Architectures of IoT-based smart irrigation systems

多智能体架构在灌溉管理及其IoT应用中十分突出。这些架构风格通过组成元件的区分产生差异性，架构层次决定了其独特性。例如，层次较高的节点可作为较低层次节点的代理。多数设计被划分为功能块，代表需执行的动作与功能，包括管理、设备、通信、安全、服务与应用等关键组件。IoT系统由执行动作、检测、监测与控制等多种任务的多个设备组成，这些设备通常具备接口以连接其他设备并传输数据。传感器采集的数据经处理后应用于各执行器。传统上，IoT架构被认为由三层组成：感知层、网络层与应用层。服务层——位于网络与应用层之间——被加入以利用雾与云计算存储和处理数据。此外，学者如Ferrández-Pastor提出了四层架构：物联层、边缘层、通信层与云层。边缘层用于识别关键应用并执行基本控制操作。多种分层方法已以不同成功程度部署于灌溉IoT系统中。

Advantages of IoT-based smart irrigation systems

灌溉IoT系统具备多项优势，如降低总用水量、提升成本与性能效率、减少能耗与最小化作物浪费。其中最显著的优势是减少用水。传统灌溉方式依赖人工操作，常因低效处理导致大量水资源损失。相比之下，智能灌溉系统优化用水，仅施放所需水量，最大限度减少人工干预。此举不仅节水，还具备优异成本效益。通过更少用水与更精简操作，IoT驱动系统降低总成本。智能灌溉的成本效益使关联任务高效执行而无需重大额外支出。此外，改进的灌溉与水分管理确保作物仅获必需水分， thereby 减少因过度或不足灌溉造成的作物浪费。

Case studies of smart irrigation systems

Kumar等（2024a）评估了半干旱条件下甜玉米IoT滴灌系统的性能。实验包含九种处理，结合了基于作物蒸散量（ET_c）的灌溉与IoT调度（100%与80%田间持水量），以及三种地表覆盖：黑塑膜、银塑膜与裸地。IoT系统使用电容式土壤湿度传感器在湿度≤33.1%时触发灌溉，分别在43.5%（100% FC）或34.8%（80% FC）停止。数据通过太阳能驱动、ThingSpeak集成系统实时传输。结果显示，100% FC的IoT灌溉使籽粒与茎秆产量分别提高12.05%与14.97%，商品产量增加12.8%，较ET_c灌溉节水12.7%与24.5%。覆盖显著增强土壤保水性与产量。系统证明鲁棒、可扩展且有效，凸显了IoT集成精准灌溉结合覆盖在可持续农业中的潜力。

Jamroen等（2020）开发了基于模糊逻辑的智能灌溉调度系统，使用低成本无线传感器网络（WSN）应对传统灌溉的高水耗与能耗挑战。系统考虑作物与土壤湿度变异性，实现自适应精准灌溉管理。本研究利用理论作物水分胁迫指数（CWSI）作为植物水分状态关键指标，源自冠层温度、太阳辐射与蒸汽压亏缺实时测量。同时，电容式土壤湿度传感器监测根区水分可用性。这两个关键输入——植物水分胁迫与土壤湿度——被集成至模糊逻辑推理系统，动态调度灌溉事件。智能系统部署于实验设置并与传统灌溉对比。结果显示资源利用效率显著提升：模糊系统减少用水59.61%与能耗67.35%，同时增产22.58%。成本分析进一步证实其经济优势，展示其在资源受限农业环境中规模化应用的潜力。

Gutiérrez等（2014）设计了自动化灌溉系统，旨在资源有限条件下优化农业用水。系统架构包含分布式WSN，集成土壤湿度与温度传感器安装于作物根区。传感器数据传至微控制器网关单元，通过嵌入式决策算法处理输入。算法利用预设土壤湿度与温度阈值触发灌溉事件并调控施水量。系统通过光伏（PV）太阳能板作为主能源自主运行，确保离网功能。通过蜂窝-互联网连接建立的双工通信接口实现实时数据传输与基于网络平台的远程灌溉调度。系统在鼠尾草作物上田间评估136天。结果显示较当地传统灌溉节水高达90%。为评估系统可复制性与鲁棒性，三个原型部署于不同地理位置并监测18个月。系统表现一致，确认其在水资源稀缺、能源不足与地理孤立农业区的应用潜力。

在印度乌代浦尔半干旱气候区，田间研究评估了自动化滴灌系统性能，使用两种调度方法：土壤湿度传感器基于与蒸发皿基于灌溉，结合施肥，于黄秋葵种植。目标是提升水分利用效率（WUE）并在天气数据有限条件下维持作物生产力。实验揭示两种调度策略对株高、果重、果长、作物需水量（CWR）、总产量与WUE有显著影响。两个优化处理最为有效：实时土壤水分监测维持土壤于100%田间持水量，结合100%推荐施肥量（RDF）通过施肥每4天等分施用；使用蒸发皿数据CWR的80%调度灌溉，结合100% RDF通过施肥每2天间隔施用。值得注意的是，传感器基于处理较传统地面灌溉减少54%用水，且产量无妥协。本研究结果证明精准灌溉与施肥技术集成在实现高水分生产力与资源效率方面的潜力，尤其适用于缺水与数据稀缺环境。

IoT、传感器基于与智能灌溉技术在不同作物系统中的集成展示出产量与水分利用效率的显著提升。甜玉米与茄子的IoT滴灌分别增产至14.97%与12.05%，节水12.7%至35.2%，凸显实时湿度触发灌溉较传统ET_c调度的优势。覆盖进一步增强了保水性与生产力。类似地，模糊逻辑灌溉系统增产22.58%，同时减少水与能耗59.61%与67.35%，为精准灌溉提供经济有效的可扩展解决方案。Gutierrez等（2014）在鼠尾草上报告节水90%，强调离网环境中的可持续性。同时，黄秋葵的传感器基于灌溉实现54%节水且产量无损失，证明实时土壤水分监测结合施肥的效率。总之，这些研究强调智能灌溉技术在提高作物产量、节约水资源与降低运营成本方面的变革潜力，使其成为可持续与资源高效农业的可行工具。

Limitations of smart irrigation systems

尽管智能灌溉系统潜力显著，若干局限阻碍其广泛实施。高初始资本投入与技术专业知识需求限制了其可及性，尤其对小规模农户。偏远与欠发达地区的连接挑战，以及对稳定能源的依赖，约束了运营效率。IoT设备的环境耐久性构成另一关键挑战，因暴露于极端天气条件可能导致频繁维护与更换。此外，IoT平台间缺乏标准化协议，以及数据隐私与安全担忧，阻碍了技术的可扩展性与信任。人工智能（AI）与区块链等先进技术的集成虽前景广阔，但常增加成本，使系统更昂贵。有限认知、培训不足以及对精准传感器校准的依赖进一步复杂化了现实农业环境中的采用。克服这些局限需跨学科努力，以开发成本效益高、鲁棒且用户友好的智能灌溉解决方案，适应多样农业环境。

Communication technologies in smart irrigation systems

多种通信技术如Wi-Fi、GSM、LoRa与MQTT已被用于智能灌溉系统，各具特定优势与局限，取决于传输距离、能耗、数据需求与农场规模等因素。Enock等（2025）采用LoRa架构实现长距离、低功耗通信，证明其在大规模偏远农场设置中的有效性。Islam等（2019）集成GSM与MQTT实现移动警报与低带宽数据交换，使系统适用于农村离网地区，由太阳能PV供电。Meric（2025）展示了无线传感器网络（WSN）在半干旱橄榄园中灌溉水量、流量与压力的实时监测。系统施用2209 m³灌溉水，稳定流量约2.8 m³/h，土壤湿度在不同深度介于24.4%至46.7%，凸显精准传感器性能与实时阀门控制益处。类似地，Kushwaha等（2024）设计了情境感知WSN系统，具高能效iNODEs， capable 动态数据采集与自主操作，优化用于电力受限环境。尽管Wi-Fi与蓝牙因高数据速率适用于小规模、基础设施丰富环境，其有限距离与能耗限制可扩展性。相比之下，LoRa、GSM与MQTT为广域或离网精准农业提供更可靠与高能效选项。因此，通信技术选择应契合特定农场条件、规模与电力可用性，以确保系统最优性能与可持续性。

Artificial Intelligence (AI) and Machine Learning (ML) in smart irrigation

一项名为“农业创新人工智能（AI4AI）”的突破性概念正日益吸引科学界关注。机器学习（ML）与人工智能（AI）正迅速融入农业的产品与技术中。AI被视为各行各业最广泛应用的技术之一，在优化资源使用与实现作物状况（如病虫害或不规则生长）精准数据采集方面提供显著益处。该领域一关键方法是模糊逻辑，用于评估传感器数据以做出灌溉管理中的明智决策。此方式增强灌溉与排水进程调度，确保更高效用水。此外，Banerjee等（2018）概述了多种AI创新，提供对这些技术在智能灌溉系统中分类与应用的见解。

机器学习日益用于灌溉系统以进行预测并改进决策过程。该技术复制人类决策并有效处理影响灌溉管理的复杂、非线性与时变挑战。作为精准灌溉中快速演进